ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

บทความนี้จะอธิบายฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์และการใช้งานใน Tableau อีกทั้งยังสาธิตให้เห็นภาพด้วยตัวอย่างวิธีการสร้างการคำนวณตารางโดยใช้ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

เพราะเหตุใดถึงใช้ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ช่วยให้คุณสร้างการคาดการณ์ได้โดยเร็ว ซึ่งการคาดการณ์สามารถจัดการ แสดงเป็นภาพ และส่งออกได้เช่นเดียวกับข้อมูลโดยใช้การคำนวณตาราง

ครั้งก่อนคุณอาจต้องผสานรวม Tableau กับ R และ Python เพื่อดำเนินการคำนวณทางสถิติขั้นสูงและประดิษฐ์ภาพใน Tableau คราวนี้คุณสามารถเลือกเป้าหมายและตัวคาดการณ์ได้โดยอัปเดตตัวแปรและประดิษฐ์ภาพแบบจำลองหลายแบบด้วยชุดค่าผสมต่างๆ ของตัวคาดการณ์ ข้อมูลสามารถถูกกรอง รวม และแปลงได้ทุกระดับของรายละเอียด โดยอินพุตและการคาดการณ์จะคำนวณใหม่โดยอัตโนมัติเพื่อให้ตรงกับข้อมูลในมุมมอง

หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ใน Tableau โปรดดู การทำงานของฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์ใน Tableau

ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์พร้อมให้ใช้งานใน Tableau

MODEL_PERCENTILE

ไวยากรณ์MODEL_PERCENTILE(
model_specification (optional),
target_expression,
predictor_expression(s))
คำนิยามแสดงผลความน่าจะเป็น (ระหว่าง 0 ถึง 1) ของค่าที่คาดหวังซึ่งน้อยกว่าหรือเท่ากับเครื่องหมายที่สังเกตได้ ซึ่งกำหนดโดยนิพจน์เป้าหมายและตัวคาดการณ์อื่นๆ นี่คือฟังก์ชันการแจกแจงแบบคาดการณ์ภายหลัง หรือที่เรียกว่าฟังก์ชันการกระจายสะสม (CDF)
ตัวอย่าง
MODEL_PERCENTILE( SUM([Sales]),COUNT([Orders]))

MODEL_QUANTILE

ไวยากรณ์MODEL_QUANTILE(
model_specification (optional),
quantile,
target_expression,
predictor_expression(s))
คำนิยามแสดงผลค่าตัวเลขเป้าหมายภายในช่วงที่น่าจะเป็นซึ่งกำหนดโดยนิพจน์เป้าหมายและตัวคาดการณ์อื่นๆ ที่ควอนไทล์ที่ระบุ นี่คือควอนไทล์แบบคาดการณ์ภายหลัง
ตัวอย่าง
MODEL_QUANTILE(0.5, SUM([Sales]), COUNT([Orders]))

สร้างการคำนวณการคาดการณ์

ดำเนินการตามขั้นตอนด้านล่างเพื่อเรียนรู้วิธีสร้างการคำนวณการคาดการณ์อย่างง่ายโดยใช้ฟังก์ชัน MODEL_QUANTILE ดูตัวอย่างโดยละเอียดเพิ่มเติมได้ที่ตัวอย่าง - สำรวจอายุคาดเฉลี่ยของเพศหญิงด้วยฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์

ขั้นตอนที่ 1: สร้างการแสดงเป็นภาพ

  1. ใน Tableau Desktop ให้เชื่อมต่อกับแหล่งข้อมูลที่บันทึกไว้ ตัวอย่าง - Superstore ที่มาพร้อมกับ Tableau
  2. ไปยังเวิร์กชีต
  3. จากแผงข้อมูล ให้ลากมิติข้อมูลวันที่สั่งซื้อ ไปยังแถบคอลัมน์
  4. เปิดเมนูบริบทของการวัดผลเพื่อเปลี่ยนระดับรายการเป็นเดือนและปี

  5. ลากยอดขายไปยังแผงแถว

ขั้นตอนที่ 2: สร้างฟิลด์ที่คำนวณ

  1. คลิกเพื่อเปิดเมนูการวิเคราะห์ที่ด้านบน จากนั้นเลือกสร้างฟิลด์ที่คำนวณ
  2. ในตัวแก้ไขการคำนวณ ให้ทำดังนี้:
    • ตั้งชื่อการคำนวณให้เป็นคาดการณ์ยอดขายเฉลี่ย
    • ป้อนสูตรต่อไปนี้:
      MODEL_QUANTILE(0.5, SUM([Sales]),ATTR(DATETRUNC('month', [Order Date])))

      ข้อควรจำ: ฟังก์ชัน MODEL_QUANTILE จะใช้ควอนไทล์ที่กำหนดและคาดการณ์ค่าตามตัวคาดการณ์ที่คุณป้อน

      อธิบายโดยละเอียดได้ดังนี้

      • ในกรณีนี้ ควอนไทล์ = 0.5 ซึ่งคาดการณ์ค่ามัธยฐาน
      • เราต้องการคาดการณ์ยอดขาย ดังนั้นนิพจน์เป้าหมายคือ SUM([Sales])
      • เราต้องการให้การคาดการณ์อิงจากประสิทธิภาพที่ผ่านมาเป็นหลัก ดังนั้นเราจึงใส่วันที่เป็นตัวคาดการณ์ ซึ่งเป็นอาร์กิวเมนต์สุดท้ายในการคำนวณ
  3. เมื่อเสร็จแล้ว ให้คลิกตกลง

การคำนวณการคาดการณ์ได้เพิ่มเป็นฟิลด์ที่คำนวณในแผงข้อมูลแล้ว

ขั้นตอนที่ 3: เพิ่มการคำนวณการคาดการณ์ลงในมุมมอง

  1. ลากการคำนวณการคาดการณ์ไปยังแผงแถวทางด้านขวาของ SUM(Sales)
  2. คลิกขวา (Ctrl แล้วคลิกบน Mac) ที่การวัดผลแล้วเลือกแกนคู่
  3. วืธีจัดตำแหน่งแกนสองแกนในแผนภูมิแกนคู่ให้ใช้มาตราส่วนเดียวกัน คือ คลิกขวา (กด Control แล้วคลิกบน Mac) ที่แกนรองซึ่งในกรณีนี้คือคาดการณ์ยอดขายเฉลี่ย แล้วเลือกซิงโครไนซ์แกน นี่จะตรงกับขนาดของสองแกน

ทั้งหมดเสร็จสิ้นเพียงเท่านี้ หากต้องการทราบวิธีขยายแกนวันที่และคาดการณ์อนาคต โปรดดูฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ในการแสดงข้อมูลอนุกรมเวลาเป็นภาพ

กฎของการคำนวณการคาดการณ์

  • คุณไม่สามารถผสมอาร์กิวเมนต์แบบรวมและแบบไม่รวมได้ หากนิพจน์เป้าหมายเป็นแบบรวม ตัวคาดการณ์ก็ต้องเป็นแบบรวมเช่นกัน
  • ฟังก์ชันดังกล่าวเหมาะที่จะใช้ในการคาดการณ์ค่าสำหรับระเบียนแต่ละรายการบนการแสดงเป็นภาพต่างๆ ที่แต่ละเครื่องหมายคอยแสดงถึงเอนทิตีที่ไม่เกี่ยวเนื่องกัน เช่น บุคคล ผลิตภัณฑ์ ยอดขาย ฯลฯ
  • ฟังก์ชันดังกล่าวเหมาะที่จะใช้ในการคาดการณ์ค่าสำหรับนิพจน์เป้าหมายแบบรวมโดยใช้ SUM และ COUNT
  • ไม่แนะนำให้ใช้ฟังก์ชันดังกล่าวในการคาดการณ์ค่าสำหรับนิพจน์เป้าหมายแบบรวมโดยใช้ AVG, MEDIAN, MIN, หรือ MAX
  • ฟังก์ชันดังกล่าวควรใช้ตัวคาดการณ์ที่อยู่ในระดับของรายละเอียดเดียวกันหรือสูงกว่าการแสดงเป็นภาพ